常微分方程

常微分方程描述单变量函数的导数关系，是动力学 Dynamics系统建模的核心工具；叠加噪声项后推广为随机微分方程，完整演化脉络见微分方程。

定义

$\frac{d y}{d t} = f (t, y), y (t_{0}) = y_{0}$

未知函数 $y (t)$ 只依赖一个自变量（通常是时间），方程约束它的变化率，配上初值 $y_{0}$ 构成初值问题（Cauchy 问题）。解不是一个数，而是一条过 $(t_{0}, y_{0})$ 的曲线。

最简单的实例是指数衰减：

$\frac{d y}{d t} = - y ⟹ y (t) = y_{0} e^{- t}$

放射性衰变、RC 电路放电、神经元膜电位泄漏都是这个形式——变化率正比于当前值且方向相反，系统单调滑向平衡。

理论上，只要 $f$ 及其对 $y$ 的偏导连续（局部 Lipschitz 条件），初值问题在 $t_{0}$ 附近就存在唯一解。「给定初值则未来完全确定」是 ODE 世界观的核心，也是拉普拉斯妖的数学出处；打破确定性的方式只有两种——混沌（确定但不可预测）和噪声（随机微分方程）。

类型	形式	实例
一阶 ODE	$y^{'} = f (t, y)$	人口增长、RC 电路
二阶 ODE	$y^{''} = f (t, y, y^{'})$	牛顿第二定律、单摆
线性 ODE	$y^{'} + p (t) y = g (t)$	指数衰减
非线性 ODE	一般形式	Logistic 增长、洛伦兹方程

阶数是方程中出现的最高阶导数的阶数：牛顿力学 $m \overset{x}{¨} = F$ 天然是二阶，需要位置和速度两个初值才能定解。线性性决定可解性——线性 ODE 有系统解法（见下节），非线性大多没有闭式解，只能数值推进。

非线性的典型如 Logistic 增长：

$\frac{d y}{d t} = r y (1 - \frac{y}{K})$

增长率随总量饱和，解是 S 形曲线——离散化后就是机器学习里的 sigmoid。更极端的例子是洛伦兹方程（三个耦合非线性 ODE）：解对初值指数敏感，轨迹局限于奇怪吸引子，这就是混沌。

解析解法

闭式解覆盖面有限，但几类经典方法处理掉了最常见的可解结构。

分离变量

$f (t, y)$ 能拆成 $g (y) h (t)$ 时，变量分置两边分别积分：

$\frac{d y}{d t} = k y ⟹ \int \frac{d y}{y} = \int k d t ⟹ y = y_{0} e^{k t}$

指数增长/衰减、Logistic 方程都走这条路，是一阶方程的第一反应。

积分因子

一阶线性方程 $y^{'} + p (t) y = g (t)$ ，两边乘 $e^{\int p d t}$ ，左边凑成全导数：

$(e^{\int p d t} y)^{'} = e^{\int p d t} g (t)$

再积分一次即得通解。线性系统的标志也在这里：通解 = 齐次通解 + 任一特解，叠加原理成立；非线性方程没有这个结构。

特征方程

二阶常系数齐次方程 $y^{''} + a y^{'} + b y = 0$ ，代入试探解 $y = e^{r t}$ 得特征方程 $r^{2} + a r + b = 0$ ，根的类型决定解的形态：

根的类型	通解	图像
共轭复根 $α \pm β i$	$e^{α t} (c_{1} cos βt + c_{2} sin βt)$	欠阻尼振荡
重实根 $r$	$(c_{1} + c_{2} t) e^{r t}$	临界阻尼
相异实根 $r_{1}, r_{2}$	$c_{1} e^{r_{1} t} + c_{2} e^{r_{2} t}$	过阻尼

弹簧-阻尼系统 $m \overset{x}{¨} + c \overset{x}{˙} + k x = 0$ 完整落在这张表里：阻尼小则来回振荡衰减，阻尼大则缓慢蠕回平衡，临界阻尼是最快的无超调回归——汽车悬挂调参的目标就在临界附近。

数值解法

解析方法失效时的主力。统一框架：把 $[t_{0}, T]$ 切成步长 $h$ 的网格，逐步推进 $y_{n + 1} = y_{n} + h \cdot (斜率的某种组合)$ 。

方法	全局精度	特点
欧拉法	$O (h)$	沿左端点切线走一步，简单但精度低
龙格-库塔法	$O (h^{4})$	四次斜率采样加权，精度高，工业标准
隐式法	可变	每步解方程组推进，适合刚性方程

欧拉法最直观： $y_{n + 1} = y_{n} + h f (t_{n}, y_{n})$ ，在当前点沿切线走一步。每步局部误差 $O (h^{2})$ ，累积成全局 $O (h)$ ——步长减半、误差减半，精度要求稍高就吃不消。

RK4 在区间内取四个采样斜率加权平均，把泰勒展开精确凑到 $h^{4}$ 项：全局误差 $O (h^{4})$ ，步长减半、误差降 16 倍。代价是每步四次函数求值，换来的是几乎不用调参的默认选择——solve_ivp 的默认方法 RK45 就是它的自适应步长版。

刚性是数值 ODE 的独有难题：方程同时含快变模态（特征值 $λ ≪ - 1$ ）和慢变模态时，解很快进入慢轨道，但显式法的稳定性（不是精度）强制步长 $h ≲ 2/∣ λ_{m a x} ∣$ ——化学动力学、电路仿真里被迫用 $1 0^{- 8}$ 的步长去跟踪 $1 0^{2}$ 量级的时间尺度。隐式法每步解一个方程组换来稳定性，步长只受精度约束。

方法选择经验

默认 RK45；解出现剧烈多尺度行为（快瞬态 + 慢演化）或步长被压得离谱小时，换隐式刚性问题方法（odeint 的 LSODA、solve_ivp 的 Radau/BDF）。

与 PDE、SDE 的区别

类型	全称	自变量	典型应用
ODE	Ordinary Differential Equation（常微分方程）	单一变量	动力学系统、电路分析
PDE	Partial Differential Equation（偏微分方程）	多个变量	热传导、流体力学
SDE	Stochastic Differential Equation（随机微分方程）	随机过程	扩散模型、期权定价，见随机微分方程

三者不是并列的三门课：ODE 是 PDE 空间离散化后的极限形态，也是 SDE 扩散项归零的退化特例。

Python 实现

from scipy.integrate import odeint
import numpy as np
 
def dydt(y, t):
    return -y  # y' = -y
 
t = np.linspace(0, 5, 100)
y = odeint(dydt, y0=1, t=t)

odeint 接口老但稳定，底层 LSODA 会在刚性/非刚性间自动切换。新代码建议 solve_ivp，支持自适应步长与方法选择：

from scipy.integrate import solve_ivp
import numpy as np
 
# 注意参数顺序与 odeint 相反：solve_ivp 要求 f(t, y)
sol = solve_ivp(lambda t, y: -y, [0, 5], [1], method="RK45", dense_output=True)
err = np.abs(sol.y[0] - np.exp(-sol.t)).max()  # 与解析解 y=e^{-t} 对比

应用场景

物理系统：牛顿力学、电磁学—— $m \overset{x}{¨} = F$ 是动力学的母方程，拉格朗日方程与哈密顿方程是它的重构形式
生物模型：种群动力学、传染病模型——SIR 方程组是三个耦合 ODE
神经网络：神经 ODE、连续深度模型——把残差链 $y_{t + 1} = y_{t} + f (y_{t})$ 的层数推向连续极限
控制理论：最优控制、系统辨识——状态空间模型的核心是一阶 ODE 方程组

知识花园

探索

常微分方程

定义

解析解法

分离变量

积分因子

特征方程

数值解法

与 PDE、SDE 的区别

Python 实现

应用场景

关系图谱

目录

反向链接